Anthropic 的发布页显示，Claude Sonnet 5.5 在其选取的 Agent 编码、知识工作、电脑使用和图表识别基准上大幅超过 Sonnet 5，并以与 Sonnet 5 相同的标价和更少的任务 token 实现最高 30% 的单任务成本下降；这些结果是厂商发布材料，部分评测运行条件、完整样本和原始输出未公开。
适合判断的任务：命令行中的多步骤专业任务、代码修复与代码库理解、边界清晰的职业及知识工作、电脑操作、图表识别，以及在 Anthropic 页面所述范围内的安全与对齐评估。
不适合外推的任务：未列出的任务类型、其他客户端或工具配置下的实际效果、真实生产代码库的缺陷率，以及仅凭基准分数推断所有复杂开放式工作的表现。Anthropic 明确提醒，Opus 5.5 在需要持续判断的复杂开放式工作上仍更强。
适用的模型版本：Claude Sonnet 5.5；页面给出的开发者 API 模型名为 claude-sonnet-5-5。页面称该模型已在 Claude Platform、Amazon Web Services、Google Cloud 和 Microsoft Azure 提供。
测试环境或客户端：页面列出 Terminal-Bench 4.0、FrontierCode 1.1 (Main)、CursorBench 4.0、GDPval-AA v2.1、AA-Briefcase v1.1、Humanity's Last Exam、OSWorld 2.1 和 Chartography。除页面特别注明的基准描述、工具设置和脚注外，完整运行环境没有在此页公开。
推理档位和参数：发布页的综合表同时报告不同 effort 档位的成本曲线；Claude 应用和 Claude Code 默认使用 Medium，Claude Platform 默认使用 High。页面没有在这份发布页中给出温度、随机种子或完整 API 参数。
这是一份模型厂商发布页，汇总公开基准、成本与速度比较、自动化行为审计、Anthropic 内部测试和早期测试者反馈。它不是一份统一设置下的独立复现报告。发布页没有提供大多数评测的完整提示词、全部样本、逐题输出、评分脚本或运行日志。
页面对评测的可见说明如下：
Terminal-Bench 4.0：衡量模型在命令行界面完成复杂、多步骤专业任务的能力。页面将 Sonnet 5.5 在 Claude 应用中的 Medium effort 描述为默认设置，并称该模型在此设置下超过 Sonnet 5 的最好成绩，同时单任务成本不到其十分之一。页面脚注说明表中的 Opus 5.5 数值使用 Xhigh effort；页面还说明 Terminal-Bench 和 OpenAI 没有公开 GPT-6 Sol 结果，因此表中报告 GPT-5.6 Sol。
FrontierCode 1.1 (Main)：评估代码变更能否在没有人工编辑的情况下合并，并会惩罚超出任务范围的改动。页面脚注说明 Sonnet 5.5 在 Max effort 的成绩低于 Xhigh，因为它更常运行 Claude Code 的 code-review skill；Cognition 检查的两个案例中，该行为导致超时或产生超出范围的额外编辑。
GDPval-AA v2.1 与 AA-Briefcase v1.1：页面称 GDPval-AA 覆盖 44 种职业和 9 个主要行业；页面脚注说明 Artificial Analysis 在 Claude Platform 的预发布部署上运行这两项评测，该部署存在可能损害结构化输出请求的 bug，Anthropic 认为影响若存在也较小且会低估 Sonnet 5.5，bug 后来已修复。
Humanity's Last Exam：页面表中标注为 with tools，但未在发布页提供完整工具配置、题目数量或评分细节。
OSWorld 2.1：页面表中标注为 partial；发布页没有给出完整任务清单、交互轨迹或成功判定脚本。
Chartography：页面表中标注为 no tools；发布页没有给出完整图表样本、评分脚本或逐题结果。
自动化行为审计：Anthropic 称审计覆盖约 1,850 个场景，用于评估对齐、抵抗滥用和诚实性。页面称 Sonnet 5.5 在大多数指标上超过或匹配 Sonnet 5；在 containment 评估中，它接近 Opus 5.5，并且是 Anthropic 所测模型中最少探测容器边界的模型。页面同时声明任何评估都不能可靠捕获所有失败模式。
以下为 Anthropic 发布页表格中的结果。带有 effort、工具或 partial/no tools 标注的结果只适用于该标注条件。
| 领域 / 基准 | Claude Sonnet 5.5 | Claude Sonnet 5 | Claude Opus 5.5 | GPT-6 Sol |
|---|---|---|---|---|
| Agentic coding：Terminal-Bench 4.0 | 70.6% | 10.3% | 66.4%¹ | — |
| Agentic coding：FrontierCode 1.1 (Main) | 46.2% Max²；52.1% Xhigh | 42.4% | 54.4% | 49.3% Max；52.1% Xhigh |
| Agentic coding：CursorBench 4.0 | 55.5% | 34.1% | 57.8% | — |
| Knowledge work：GDPval-AA v2.1 | 1844 | 1449 | 1846 | 1487⁴ |
| Knowledge work：AA-Briefcase v1.1 | 1811 | 1359 | 1822 | 1483⁴ |
| Multidisciplinary reasoning：Humanity's Last Exam | 64.5%（with tools） | 54.9%（with tools） | 67.7%（with tools） | — |
| Computer use：OSWorld 2.1 | 80.1%（partial） | 57.0%（partial） | 81.8%（partial） | — |
| Visual chart recognition：Chartography | 61.6%（no tools） | 15.6%（no tools） | 64.4%（no tools） | 53.6%⁴（no tools） |
页面还披露了以下成本、速度与测试结论：
编码与电脑使用：Sonnet 5.5 的 Terminal-Bench 4.0 分数为 70.6%，Sonnet 5 为 10.3%；CursorBench 4.0 为 55.5%，Sonnet 5 为 34.1%；OSWorld 2.1 的 partial 分数为 80.1%，Sonnet 5 为 57.0%。Anthropic 称 Sonnet 5.5 是首个仅凭截图操作就击败 Pokémon Red 的 Sonnet 模型，但发布页没有给出该测试的完整输入和评分数据。
知识工作：GDPval-AA v2.1 为 1844，Sonnet 5 为 1449；AA-Briefcase v1.1 为 1811，Sonnet 5 为 1359。页面将 GDPval-AA 描述为覆盖 44 种职业和 9 个主要行业，并称 Sonnet 5.5 接近 Opus 5.5。
成本：发布页列出每百万 token 的 cache reads 为 $0.20，cache writes 为 $2.50，输入为 $2，输出为 $10。页面明确称 Sonnet 5.5 与 Sonnet 5 的输入、输出和 cache reads 同价；未明确比较两者的 cache writes。Anthropic 测试中每项任务成本最高可低 30%，但页面没有公开完整任务集、调用日志或统计区间。
速度：Anthropic 称 Sonnet 5.5 生成输出的速度比 Sonnet 5 快 30% 以上，是其当时速度最快的 Sonnet 模型；页面未提供统一硬件、请求长度、并发度和延迟分布。
effort 与成本：页面说明 effort 越高通常工作时间越长、单任务成本越高，同时分数通常也会提高；较低档位更适合例行任务，较高档位会进行更长推理和更多检查。发布页没有给出全部图表的逐点数值。
安全与防护：Sonnet 5.5 使用与 Opus 5.5 类似的网络安全防护，并在高风险网络安全任务上回退到 Sonnet 5；生物安全防护与 Sonnet 5 相同。页面称 Sonnet 5.5 首次在 Sonnet 系列中配备防止 reasoning extraction 的安全分类器，并扩展 preserved thinking。以上是 Anthropic 的发布与安全主张，不是外部独立测评。
| 指标 | Sonnet 5.5 | Sonnet 5 | 备注 |
|---|---|---|---|
| Terminal-Bench 4.0 | 70.6% | 10.3% | 页面描述为 agentic coding；表中未给 Sonnet 5.5 的 effort 标注 |
| FrontierCode 1.1 (Main) | 46.2% Max；52.1% Xhigh | 42.4% | Max 低于 Xhigh 的原因见脚注 2 |
| CursorBench 4.0 | 55.5% | 34.1% | 页面描述为 agentic coding |
| GDPval-AA v2.1 | 1844 | 1449 | Artificial Analysis 预发布部署；结构化输出 bug 可能使 Sonnet 5.5 分数偏低 |
| AA-Briefcase v1.1 | 1811 | 1359 | Artificial Analysis 预发布部署；结构化输出 bug 可能使 Sonnet 5.5 分数偏低 |
| Humanity's Last Exam | 64.5% with tools | 54.9% with tools | 页面未提供完整工具配置 |
| OSWorld 2.1 | 80.1% partial | 57.0% partial | 页面未提供完整任务清单 |
| Chartography | 61.6% no tools | 15.6% no tools | 页面未提供完整图表样本和评分脚本 |
| 项目（每百万 token） | Claude Sonnet 5.5 | Claude Opus 5.5 |
|---|---|---|
| Cache reads | $0.20 | $0.20 |
| Cache writes | $2.50 | $5 |
| Input tokens | $2 | $4 |
| Output tokens | $10 | $20 |
这份官方材料支持一个有限结论：在 Anthropic 选用并披露的评测中，Sonnet 5.5 相比 Sonnet 5 在编码、知识工作、电脑使用和图表识别上取得更高分；发布页列出的输入、输出和 cache reads 价格与 Sonnet 5 相同。Anthropic 的内部测试还报告了更少的任务 token、最高 30% 的单任务成本下降和 30% 以上的生成速度提升。FrontierCode 的成绩受 effort 和 Claude Code code-review skill 影响，不能把 Max 与 Xhigh 的数值当作同一设置下的简单比较。
这些结果来自 Anthropic 发布页，且不同基准的工具、effort、数据来源和测试条件并不完全一致。GDPval-AA 与 AA-Briefcase 使用预发布部署，页面脚注披露该部署存在结构化输出 bug；至少 Terminal-Bench 的 Opus 5.5 结果使用 Xhigh，其他项目的 effort 条件未在页面完整标出。Anthropic 同时明确指出，基准分数只覆盖能力的一部分，Opus 5.5 在复杂、开放式且需要持续判断的工作上仍然更强。因此，这些数据不能保证 Sonnet 5.5 在任意代码库、客户端、参数或生产工作流中达到同样表现。
安全段落中的约 1,850 场景、回退机制、容器边界和 reasoning extraction 说明是 Anthropic 的自有评估与产品防护披露，不应当解释为涵盖所有安全失败模式的证明。页面称网络安全和生物安全防护面向较窄的高风险请求，常规软件开发和大多数生命科学工作不受影响。
发布页公开了基准名称、部分工具与 effort 标注、汇总分数、定价和若干脚注，但没有提供全部任务输入、样本量、完整提示词、模型快照、随机参数、工具配置、评分脚本、逐题输出或运行日志。读者可以按页面表格和脚注核对公开数字，不能仅依据此页独立重跑完整结果。
若要复现同类比较，至少需要锁定各基准的版本和任务清单、Sonnet 5.5 与 Sonnet 5 的确切模型构建、effort 和其他 API 参数、工具或 harness、重复运行次数、评分规则，以及 GDPval-AA 与 AA-Briefcase 的预发布部署状态。FrontierCode 还需要记录是否触发 Claude Code 的 code-review skill 和是否发生超时或范围外编辑。以上页面中未全部公开。
¹ Anthropic 页面脚注：Terminal-Bench 4.0 的 Opus 5.5 结果使用 Xhigh effort，代表该模型的最高分。
² Anthropic 页面脚注：FrontierCode 会惩罚超出范围的高质量或有帮助的改动；Sonnet 5.5 在 Max effort 更常运行 Claude Code 的 code-review skill，Cognition 检查的两个案例分别出现超时或额外编辑，导致分数更低。
³ Anthropic 页面脚注：Artificial Analysis 在 Claude Platform 的 Sonnet 5.5 预发布部署上运行 GDPval-AA 和 AA-Briefcase；该部署存在可能损害结构化输出请求的 bug，之后已修复。
⁴ Anthropic 页面脚注：OpenAI 修复过一个降低 GPT-6 Sol 图像理解能力的 bug；Artificial Analysis 和 Surge AI 的相关官方分数可能尚未反映该版本变化。
Claude Sonnet 5.5
